CN108734345B - Ota机票客服话务量的预测方法及系统 - Google Patents

Abstract

本发明公开了一种OTA机票客服话务量的预测方法及系统。其中，预测方法包括：根据历史非大面积航变特征数据训练非大面积航变预测模型；获取上一单位时间的航变状态、实际话务量、预测话务量，并根据其判断下一单位时间是否发生大面积航变；若是，则根据历史非大面积航变特征数据和历史大面积航变数据训练大面积航变预测模型，根据上一单位时间的实际话务量，利用大面积航变预测模型预测下一单位时间的预测话务量；若否，则根据上一单位时间的实际话务量，利用非大面积航变预测模型预测下一单位时间的预测话务量。本发明既实现对下一单位时间的话务量的机器预测，又考虑到当天是否发生大面积航变的突发状况，能够精确预测下一单位时间的话务量。

Description

OTA机票客服话务量的预测方法及系统

技术领域

本发明涉及机器学习领域，尤其涉及一种OTA(online travel agency，在线旅行社)机票客服话务量的预测方法及系统。

背景技术

一般情况下，每日OTA机票客服的话务量都呈现一定的周期性规律，根据经验知识可以预估每日的话务量以对客服进行排班，但是无法准确预估具体时间段(例如每个小时)内的话务量，并且也无法在大面积航变情况下准确对话务量进行预估。其中，大面积航变一般指50％或以上的航班不能按时起飞/降落，通行能力下降50％以上，导致大量旅客滞留的情况。因此，使用传统的经验式排班模式，需要人工对话务量进行预估，增大了人工工作量，并且人工预估的话务量与实际发生的话务量的偏差较大，无法满足实际的生产需求。

发明内容

本发明要解决的技术问题是为了克服现有技术中经验式排班模式既增大了人工工作量又与实际值偏差较大的缺陷，提供一种OTA机票客服话务量的预测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种OTA机票客服话务量的预测方法，其特点在于，所述预测方法包括：

S1、获取历史非大面积航变特征数据，所述历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

S2、根据所述历史非大面积航变特征数据训练非大面积航变预测模型；

S3、获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，所述航变状态包括非大面积航变和大面积航变；

S4、根据所述上一单位时间的航变状态、所述上一单位时间的预测话务量以及所述上一单位时间的实际话务量判断下一单位时间的航变状态；

若所述下一单位时间的航变状态为大面积航变，则转至步骤S5；

若所述下一单位时间的航变状态为非大面积航变，则转至步骤S6；

S5、获取历史大面积航变特征数据，所述历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量，并转至步骤S7；

S7、根据所述历史非大面积航变特征数据以及所述历史大面积航变数据训练大面积航变预测模型；

S8、根据所述上一单位时间的实际话务量，利用所述大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3；

S6、根据所述上一单位时间的实际话务量，利用所述非大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3。

较佳地，步骤S2具体包括：

S21、根据所述历史非大面积航变特征数据训练多个不同的非大面积航变预测模型；

步骤S6具体包括：

S61、根据所述上一单位时间的实际话务量，分别利用所述多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量；

S62、计算利用所述多个不同的非大面积航变预测模型得到的下一单位时间的中间预测话务量的第一平均值，并令所述第一平均值为下一单位时间的预测话务量。

较佳地，步骤S4具体包括：

S41、判断所述上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S42；若是非大面积航变，则转至步骤S43；

S42、判断所述上一单位时间的预测话务量与所述上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变；

S43、判断所述上一单位时间的实际话务量与所述上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变。

较佳地，当步骤S43判断为否并转至步骤S6之后，所述预测方法还包括：

S44、计算与所述下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

S45、判断所述下一单位时间的预测话务量与所述第二平均值的比值是否大于第三阈值；

若是，则所述下一单位时间的航变状态变更为大面积航变，转至步骤S5重新预测下一单位时间的预测话务量。

较佳地，在步骤S3之后，所述预测方法还包括：

S9、根据所述上一单位时间的航变状态以及所述上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量；

其中，步骤S9具体包括：

S91、根据步骤S1-S8预测下一单位时间的预测话务量，其中，令所述下一单位时间的航变状态为参考航变状态，令所述下一单位时间的预测话务量为所述下一单位时间的实际话务量；

S92、判断所述参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S93；若是非大面积航变，则转至步骤S95；

S93、利用所述大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S94、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S93；

S95、利用所述非大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S96、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S95。

一种OTA机票客服话务量的预测系统，其特点在于，所述预测系统包括：

历史非大面积航变特征数据获取模块，用于获取历史非大面积航变特征数据，所述历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

非大面积航变预测模型训练模块，用于根据所述历史非大面积航变特征数据训练非大面积航变预测模型；

当前数据获取模块，用于获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，所述航变状态包括非大面积航变和大面积航变；

航变状态判断模块，用于根据所述上一单位时间的航变状态、所述上一单位时间的预测话务量以及所述上一单位时间的实际话务量判断下一单位时间的航变状态；

若所述下一单位时间的航变状态为大面积航变，则调用历史大面积航变特征数据获取模块；

若所述下一单位时间的航变状态为非大面积航变，则调用非大面积航变话务量预测模块；

所述历史大面积航变特征数据获取模块，用于获取历史大面积航变特征数据，所述历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量；

大面积航变预测模型训练模块，用于根据所述历史非大面积航变特征数据以及所述历史大面积航变数据训练大面积航变预测模型；

大面积航变话务量预测模块，用于根据所述上一单位时间的实际话务量，利用所述大面积航变预测模型预测下一单位时间的预测话务量，并继续调用所述当前数据获取模块；

所述非大面积航变话务量预测模块，用于根据所述上一单位时间的实际话务量，利用所述非大面积航变预测模型预测下一单位时间的预测话务量，并继续调用所述当前数据获取模块。

较佳地，所述非大面积航变预测模型训练模块包括多个非大面积航变预测模型训练单元；

所述多个非大面积航变预测模型训练单元分别用于根据所述历史非大面积航变特征数据训练多个不同的非大面积航变预测模型；

所述非大面积航变话务量预测模块包括多个非大面积航变话务量预测单元和第一计算单元；

所述多个非大面积航变话务量预测单元用于根据所述上一单位时间的实际话务量，分别利用所述多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量；

所述第一计算单元用于计算所述多个非大面积航变话务量预测单元得到的中间预测话务量的第一平均值，其中，所述第一平均值为下一单位时间的预测话务量。

较佳地，所述航变状态判断模块包括第一判断单元、第二判断单元和第三判断单元，其中：

所述第一判断单元用于判断所述上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用所述第二判断单元；若是非大面积航变，则调用所述第三判断单元；

所述第二判断单元用于判断所述上一单位时间的预测话务量与所述上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变；

所述第三判断单元用于判断所述上一单位时间的实际话务量与所述上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变。

较佳地，所述航变状态判断模块还包括第二计算单元和第四判断单元；

在所述第三判断单元判断为否，且调用所述非大面积航变话务量预测模块预测下一单位时间的预测话务量之后：

所述第二计算单元用于计算与所述下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

所述第四判断单元用于判断所述下一单位时间的预测话务量与所述第二平均值的比值是否大于第三阈值；

若是，则所述下一单位时间的航变状态变更为大面积航变，调用所述大面积航变话务量预测模块重新预测下一单位时间的预测话务量。

较佳地，所述预测系统还包括话务量连续预测模块，所述话务量连续预测模块用于根据所述上一单位时间的航变状态以及所述上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量；

其中，所述话务量连续预测模块包括参考航变状态设置单元、实际话务量设置单元以及第五判断单元；

所述参考航变状态设置单元用于在所述大面积航变话务量预测模块或所述非大面积航变话务量预测模块预测下一单位时间的预测话务量之后，将所述下一单位时间的航变状态设置为参考航变状态；

所述实际话务量设置单元用于将所述大面积航变话务量预测模块或所述非大面积航变话务量预测模块预测的预测话务量设置为与其同一单位时间的实际话务量；

所述第五判断单元用于判断所述参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用所述大面积航变话务量预测模块预测所述同一单位时间的下一单位时间的预测话务量，并继续调用所述实际话务量设置单元；

若是非大面积航变，则调用所述非大面积航变话务量预测模块预测所述同一单位时间的下一单位时间的预测话务量，并继续调用所述实际话务量设置单元。

本发明的积极进步效果在于：本发明根据历史非大面积航变特征数据训练非大面积航变话务量预测模型，并根据上一单位时间的航变状态、预测话务量以及实际话务量来判断下一单位时间的航变状态，若下一单位时间的航变状态为非大面积航变，则直接利用非大面积航变话务量预测模型预测下一单位时间的预测话务量；若下一单位时间的航变状态为大面积航变，则根据历史非大面积航变特征数据以及历史大面积航变特征数据训练大面积航变话务量预测模型，并利用大面积航变话务量预测模型预测下一单位时间的预测话务量。从而，本发明既可以实现下一单位时间的话务量的机器预测，又考虑到当天是否发生大面积航变的突发状况，能够实现对下一单位时间的话务量的精确预测。

附图说明

图1为根据本发明实施例1的OTA机票客服话务量的预测方法的部分流程图。

图2为根据本发明实施例1的OTA机票客服话务量的预测方法的部分流程图。

图3为根据本发明实施例1的OTA机票客服话务量的预测方法的部分流程图。

图4为根据本发明实施例2的OTA机票客服话务量的预测系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种OTA机票客服话务量的预测方法，图1示出了本实施例的流程图。参照图1，本实施例的OTA机票客服话务量的预测方法包括：

S1、获取历史非大面积航变特征数据，其中，历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

S2、根据历史非大面积航变特征数据训练非大面积航变预测模型；

S3、获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，航变状态包括非大面积航变和大面积航变；

S4、根据上一单位时间的航变状态、上一单位时间的预测话务量以及上一单位时间的实际话务量判断下一单位时间的航变状态；

若下一单位时间的航变状态为大面积航变，则转至步骤S5；

若下一单位时间的航变状态为非大面积航变，则转至步骤S6；

S5、获取历史大面积航变特征数据，其中，历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量，并转至步骤S7；

S7、根据历史非大面积航变特征数据以及历史大面积航变特征数据训练大面积航变预测模型；

S8、根据上一单位时间的实际话务量，利用大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3；

S6、根据上一单位时间的实际话务量，利用非大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3。

在本实施例中，历史特征数据包括预设时间内(可以根据实际情况进行自定义设置)的历史订单数据和历史话务量，又有，历史特征数据根据其所处时间是否发生大面积航变，被分为历史非大面积航变特征数据和历史大面积航变特征数据，故有，历史订单数据包括历史非大面积航变订单数据和历史大面积航变订单数据，历史话务量包括历史非大面积航变话务量和历史大面积航变话务量。

其中，大面积航变一般指50％或以上的航班不能按时起飞/降落，通行能力下降50％以上，导致大量旅客滞留的情况。用航变状态来表示是否发生大面积航变，则，历史非大面积航变特征数据中航变状态为非大面积航变，历史大面积航变数据中航变状态为大面积航变。

具体地，历史订单数据(历史大面积航变订单数据和历史非大面积航变订单数据)可以包括单位时间内的预定订单量、起飞订单量、大面积航变延误订单量、取消订单量中的至少一个，和/或预设时间段内的预定订单量、起飞订单量、大面积航变延误订单量、取消订单量中的至少一个。

例如，历史订单数据可以包括但不限于当天预订订单量、当天起飞订单量、上一3h(小时)内的预订订单量、上一3h内的起飞订单量、上一1h内的预订订单量、上一1h内的起飞订单量、当前时间延误15分钟内的订单量、当前时间延误15-30分钟内的订单量、上一3h内的取消订单量、上一1h内的取消订单量。

历史话务量(历史大面积航变话务量和历史非大面积航变话务量)可以包括单位时间的历史同比话务量、历史环比话务量中的至少一个，和/或预设时间段的历史同比话务量、历史环比话务量中的至少一个。

例如，历史话务量可以包括但不限于今天上一1h时间段内的话务量、今天上一3h时间段内的话务量、昨天同一1h时间段内的话务量、昨天同一3h时间段内的话务量、上周同一天同一1h时间段内的话务量、上周同一天同一3h时间段的话务量。

经过对历史特征数据的分析，话务量除了与订单数据相关，还与来电时间相关，也即，历史特征数据还可以包括但不限于当天是星期几(例如星期一)、当天是否是周末、所预测的话务量所处的时间段(例如，凌晨(0点-6点)、白天(7点-18点)、夜晚(19点-24点))中的至少一个。

此外，在对预订订单量进行预测的情况下，在步骤S2中可以根据历史非大面积航变特征数据和预测预订订单量来训练非大面积航变预测模型，在步骤S7中可以根据历史特征数据和预测预订订单量来训练大面积航变预测模型。

同样地，在对起飞订单量进行预测的情况下，在步骤S2中可以根据历史非大面积航变特征数据和预测起飞订单量来训练非大面积航变预测模型，在步骤S7中可以根据历史特征数据和预测起飞订单量来训练大面积航变预测模型。

在步骤S2中，可以根据历史非大面积航变特征数据训练多个不同的非大面积航变预测模型，其中，非大面积航变预测模型包括但不限于xgboost、gradient boostingregressor、ridge中的至少一种。

则步骤S6中得到的预测话务量为经训练得到的多个不同的非大面积航变预测模型预测得到的话务量的平均值，具体地，步骤S6包括：

根据上一单位时间的实际话务量，分别利用多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量；

计算利用多个不同的非大面积航变预测模型得到的下一单位时间的中间预测话务量的第一平均值，并令第一平均值为下一单位时间的预测话务量。

步骤S4用于判断下一单位时间的航变状态，即，判断是否触发大面积航变机制，并在触发大面积航变机制的情况下，重新训练大面积航变预测模型，以提高预测话务量的精确性。图2示出了步骤S4的流程图，参照图2，步骤S4包括：

S41、判断上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S42；若是非大面积航变，则转至步骤S43；

S42、判断上一单位时间的预测话务量与上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变，并转至步骤S5；

若否，则下一单位时间的航变状态为非大面积航变，并转至步骤S6；

S43、判断上一单位时间的实际话务量与上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变，并转至步骤S5；

若否，则下一单位时间的航变状态为非大面积航变，并转至步骤S6。

当步骤S43判断为否并转至步骤S6之后，步骤S4还包括：

S44、计算与下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

S45、判断下一单位时间的预测话务量与第二平均值的比值是否大于第三阈值；

若是，则下一单位时间的航变状态变更为大面积航变，转至步骤S5重新预测下一单位时间的预测话务量。

在本实施例中，第一阈值取值1.1，第二阈值取值1.3，第三阈值取值1.3，当然，第一阈值、第二阈值、第三阈值的具体取值可以根据实际情况进行设置。

从而，本实施例的OTA机票客服话务量的预测方法，可以根据上一单位时间的实际话务量、上一单位时间的航变状态等输入量，在航变状态为非大面积航变时，经由非大面积航变话务量预测模型，在航变状态为大面积航变时，经由大面积航变话务量预测模型，预测下一单位时间的预测话务量。

更进一步地，本实施例的预测方法还可以包括：

S9、根据所述上一单位时间的航变状态以及所述上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量。

参照图3，步骤S9具体包括：

S91、根据步骤S1-S8预测下一单位时间的预测话务量，其中，令所述下一单位时间的航变状态为参考航变状态，令所述下一单位时间的预测话务量为所述下一单位时间的实际话务量；

S92、判断所述参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S93；若是非大面积航变，则转至步骤S95；

S93、利用所述大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S94、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S93，直至完成多个下一单位时间的预测话务量的预测；

S95、利用所述非大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S96、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S95，直至完成多个下一单位时间预测话务量的预测。

例如，当前时间为12点，以一小时为单位时间，预测12点-15点的话务量的步骤包括：

根据步骤S1-S8预测12点-13点的预测话务量，假设其中12点-13点的航变状态为大面积航变(参考航变状态)，令12点-13点的预测话务量为12点-13点的实际话务量；

则可以利用预测12点-13点的预测话务量的大面积航变预测模型预测13点-14点的预测话务量，并令13点-14点的预测话务量为13点-14点的实际话务量。

继续利用预测12点-13点的预测话务量的大面积航变预测模型预测14点-15点的预测话务量。

则，12点-15点的预测话务量为12点-13点的预测话务量、13点-14点的预测话务量以及14点-15点的预测话务量之和。

同样地，本实施例的预测方法也可以在每天的0点预测未来24小时的话务量，以作为话务量基线。

本实施例的预测方法不仅可以预测单个单位时间的预测话务量，还可以预测连续多个单位时间内的预测话务量，并且采用大面积航变触发机制，针对不同的航变状态适用不同的话务量预测模型，从而无需依赖人工经验，减轻了人工的工作量，提高了话务量预测的精确性。

实施例2

本实施例提供一种OTA机票客服话务量的预测系统，图4示出了本实施例的模块示意图。参照图4，本实施例的OTA机票客服话务量的预测系统包括：

历史非大面积航变特征数据获取模块1，用于获取历史非大面积航变特征数据，历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

非大面积航变预测模型训练模块2，用于根据历史非大面积航变特征数据训练非大面积航变预测模型；

当前数据获取模块3，用于获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，航变状态包括非大面积航变和大面积航变；

航变状态判断模块4，用于根据上一单位时间的航变状态、上一单位时间的预测话务量以及上一单位时间的实际话务量判断下一单位时间的航变状态；

若下一单位时间的航变状态为大面积航变，则调用历史大面积航变特征数据获取模块5；

若下一单位时间的航变状态为非大面积航变，则调用非大面积航变话务量预测模块8；

历史大面积航变特征数据获取模块5，用于获取历史大面积航变特征数据，历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量；

大面积航变预测模型训练模块6，用于根据历史非大面积航变特征数据以及历史大面积航变数据训练大面积航变预测模型；

大面积航变话务量预测模块7，用于根据上一单位时间的实际话务量，利用大面积航变预测模型预测下一单位时间的预测话务量，并继续调用当前数据获取模块3；

非大面积航变话务量预测模块8，用于根据上一单位时间的实际话务量，利用非大面积航变预测模型预测下一单位时间的预测话务量，并继续调用当前数据获取模块3。

在本实施例中，历史特征数据包括预设时间内(可以根据实际情况进行自定义设置)的历史订单数据和历史话务量，又有，历史特征数据根据其所处时间是否发生大面积航变，被分为历史非大面积航变特征数据和历史大面积航变特征数据，故有，历史订单数据包括历史非大面积航变订单数据和历史大面积航变订单数据，历史话务量包括历史非大面积航变话务量和历史大面积航变话务量。

其中，大面积航变是指由于天气、空中交通管制、机务维修、航班调配等原因，调整原来的航班，包括更改机型或航线、取消、提前、中断、推迟或延期航班飞行等。用航变状态来表示是否发生大面积航变，则，历史非大面积航变特征数据中航变状态为非大面积航变，历史大面积航变数据中航变状态为大面积航变。

具体地，历史订单数据(历史大面积航变订单数据和历史非大面积航变订单数据)可以包括单位时间内的预定订单量、起飞订单量、大面积航变延误订单量、取消订单量中的至少一个，和/或预设时间段内的预定订单量、起飞订单量、大面积航变延误订单量、取消订单量中的至少一个。

例如，历史订单数据可以包括但不限于当天预订订单量、当天起飞订单量、上一3h(小时)内的预订订单量、上一3h内的起飞订单量、上一1h内的预订订单量、上一1h内的起飞订单量、当前时间延误15分钟内的订单量、当前时间延误15-30分钟内的订单量、上一3h内的取消订单量、上一1h内的取消订单量。

历史话务量(历史大面积航变话务量和历史非大面积航变话务量)可以包括单位时间的历史同比话务量、历史环比话务量中的至少一个，和/或预设时间段的历史同比话务量、历史环比话务量中的至少一个。

例如，历史话务量可以包括但不限于今天上一1h时间段内的话务量、今天上一3h时间段内的话务量、昨天同一1h时间段内的话务量、昨天同一3h时间段内的话务量、上周同一天同一1h时间段内的话务量、上周同一天同一3h时间段的话务量。

经过对历史特征数据的分析，话务量除了与订单数据相关，还与来电时间相关，也即，历史特征数据还可以包括但不限于当天是星期几(例如星期一)、当天是否是周末、所预测的话务量所处的时间段(例如，凌晨(0点-6点)、白天(7点-18点)、夜晚(19点-24点))中的至少一个。

此外，在对预订订单量进行预测的情况下，非大面积航变预测模型训练模块2可以根据历史非大面积航变特征数据和预测预订订单量来训练非大面积航变预测模型，大面积航变预测模型训练模块6可以根据历史特征数据和预测预订订单量来训练大面积航变预测模型。

同样地，在对起飞订单量进行预测的情况下，非大面积航变预测模型训练模块2可以根据历史非大面积航变特征数据和预测起飞订单量来训练非大面积航变预测模型，大面积航变预测模型训练模块6可以根据历史特征数据和预测起飞订单量来训练大面积航变预测模型。

非大面积航变预测模型训练模块2可以包括多个非大面积航变预测模型训练单元21，多个非大面积航变预测模型训练单元21分别用于根据历史非大面积航变特征数据训练多个不同的非大面积航变预测模型，其中，非大面积航变预测模型包括但不限于xgboost、gradient boosting regressor、ridge中的至少一种。

则非大面积航变话务量预测模块8得到的预测话务量为经训练得到的多个不同的非大面积航变预测模型预测得到的话务量的平均值，具体地，非大面积航变话务量预测模块8包括多个非大面积航变话务量预测单元81和第一计算单元82。

其中，多个非大面积航变话务量预测单元81用于根据上一单位时间的实际话务量，分别利用经训练得到的多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量，第一计算单元82用于计算多个非大面积航变话务量预测单元得到的中间预测话务量的第一平均值，其中，第一平均值为下一单位时间的预测话务量。

航变状态判断模块4用于判断下一单位时间的航变状态，即，判断是否触发大面积航变机制，并在触发大面积航变机制的情况下，重新训练大面积航变预测模型，以提高预测话务量的精确性。具体地，航变状态判断模块包括：

第一判断单元41，用于判断上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用第二判断单元42；若是非大面积航变，则调用第三判断单元43；

第二判断单元42，用于判断上一单位时间的预测话务量与上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变；

第三判断单元43，用于判断上一单位时间的实际话务量与上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变。

在第三判断单元43判断为否，且调用非大面积航变话务量预测模块8预测下一单位时间的预测话务量之后，航变状态模块4还包括：

第二计算单元44，用于计算与下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

第四判断单元45，用于判断下一单位时间的预测话务量与第二平均值的比值是否大于第三阈值；

若是，则下一单位时间的航变状态变更为大面积航变，调用大面积航变话务量预测模块7重新预测下一单位时间的预测话务量。

在本实施例中，第一阈值取值1.1，第二阈值取值1.3，第三阈值取值1.3，当然，第一阈值、第二阈值、第三阈值的具体取值可以根据实际情况进行设置。

从而，本实施例的OTA机票客服话务量的预测系统，可以根据上一单位时间的实际话务量、上一单位时间的航变状态等输入量，在航变状态为非大面积航变时，经由非大面积航变话务量预测模型，在航变状态为大面积航变时，经由大面积航变话务量预测模型，预测下一单位时间的预测话务量。

更进一步地，本实施例的预测系统，还包括话务量连续预测模块9，话务量连续预测模块9用于根据上一单位时间的航变状态以及上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量；

其中，话务量连续预测模块9包括：

参考航变状态设置单元91，用于在大面积航变话务量预测模块或非大面积航变话务量预测模块预测下一单位时间的预测话务量之后，将下一单位时间的航变状态设置为参考航变状态；

实际话务量设置单元92，用于将大面积航变话务量预测模块或非大面积航变话务量预测模块预测的预测话务量设置为与其同一单位时间的实际话务量；

第五判断单元93，用于判断参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用大面积航变话务量预测模块7预测同一单位时间的下一单位时间的预测话务量，并继续调用实际话务量设置单元92；

若是非大面积航变，则调用非大面积航变话务量预测模块8预测同一单位时间的下一单位时间的预测话务量，并继续调用实际话务量设置单元92。

例如，当前时间为12点，以一小时为单位时间，预测12点-15点的话务量的步骤包括：

通过预测系统中的模块1-8预测12点-13点的预测话务量，假设其中12点-13点的航变状态为大面积航变(参考航变状态)，参考航变状态设置单元91将该航变状态(大面积航变)设置为参考航变状态(大面积航变)，实际话务量设置单元92将12点-13点的预测话务量设置为12点-13点的实际话务量；

第五判断单元93判断参考航变状态是大面积航变：

则可以调用大面积航变话务量预测模块7利用预测12点-13点的预测话务量的大面积航变预测模型预测13点-14点的预测话务量，实际话务量设置单元92将13点-14点的预测话务量设置为13点-14点的实际话务量。

继续调用大面积航变话务量预测模块7利用预测12点-13点的预测话务量的大面积航变预测模型预测14点-15点的预测话务量。

则，12点-15点的预测话务量为12点-13点的预测话务量、13点-14点的预测话务量以及14点-15点的预测话务量之和。

同样地，本实施例的预测方法也可以在每天的0点预测未来24小时的话务量，以作为话务量基线。

本实施例的预测系统不仅可以预测单个单位时间的预测话务量，还可以预测连续多个单位时间内的预测话务量，并且采用大面积航变触发机制，针对不同的航变状态适用不同的话务量预测模型，从而无需依赖人工经验，减轻了人工的工作量，提高了话务量预测的精确性。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种OTA机票客服话务量的预测方法，其特征在于，所述预测方法包括：

S1、获取历史非大面积航变特征数据，所述历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

S2、根据所述历史非大面积航变特征数据训练非大面积航变预测模型；

S3、获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，所述航变状态包括非大面积航变和大面积航变；大面积航变指超过半数的航班变动；

S4、根据所述上一单位时间的航变状态、所述上一单位时间的预测话务量以及所述上一单位时间的实际话务量判断下一单位时间的航变状态；

若所述下一单位时间的航变状态为大面积航变，则转至步骤S5；

若所述下一单位时间的航变状态为非大面积航变，则转至步骤S6；

S5、获取历史大面积航变特征数据，所述历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量，并转至步骤S7；

S7、根据所述历史非大面积航变特征数据以及所述历史大面积航变数据训练大面积航变预测模型；

S8、根据所述上一单位时间的实际话务量，利用所述大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3；

S6、根据所述上一单位时间的实际话务量，利用所述非大面积航变预测模型预测下一单位时间的预测话务量，并继续执行步骤S3。

2.如权利要求1所述的OTA机票客服话务量的预测方法，其特征在于，步骤S2具体包括：

S21、根据所述历史非大面积航变特征数据训练多个不同的非大面积航变预测模型；

步骤S6具体包括：

S61、根据所述上一单位时间的实际话务量，分别利用所述多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量；

S62、计算利用所述多个不同的非大面积航变预测模型得到的下一单位时间的中间预测话务量的第一平均值，并令所述第一平均值为下一单位时间的预测话务量。

3.如权利要求1所述的OTA机票客服话务量的预测方法，其特征在于，步骤S4具体包括：

S41、判断所述上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S42；若是非大面积航变，则转至步骤S43；

S42、判断所述上一单位时间的预测话务量与所述上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变；

S43、判断所述上一单位时间的实际话务量与所述上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变。

4.如权利要求3所述的OTA机票客服话务量的预测方法，其特征在于，当步骤S43判断为否并转至步骤S6根据所述上一单位时间的实际话务量，利用所述非大面积航变预测模型预测下一单位时间的预测话务量之后，所述预测方法还包括：

S44、计算与所述下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

S45、判断所述下一单位时间的预测话务量与所述第二平均值的比值是否大于第三阈值；

若是，则所述下一单位时间的航变状态变更为大面积航变，转至步骤S5重新预测下一单位时间的预测话务量。

5.如权利要求1所述的OTA机票客服话务量的预测方法，其特征在于，在步骤S3之后，所述预测方法还包括：

S9、根据所述上一单位时间的航变状态以及所述上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量；

其中，步骤S9具体包括：

S91、根据步骤S1-S8预测下一单位时间的预测话务量，其中，令所述下一单位时间的航变状态为参考航变状态，令所述下一单位时间的预测话务量为所述下一单位时间的实际话务量；

S92、判断所述参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则转至步骤S93；若是非大面积航变，则转至步骤S95；

S93、利用所述大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S94、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S93；

S95、利用所述非大面积航变预测模型预测同一单位时间的下一单位时间的预测话务量；

S96、令上一步骤中得到的预测话务量为与其同一单位时间的实际话务量，并继续执行步骤S95。

6.一种OTA机票客服话务量的预测系统，其特征在于，所述预测系统包括：

历史非大面积航变特征数据获取模块，用于获取历史非大面积航变特征数据，所述历史非大面积航变特征数据包括历史非大面积航变订单数据以及历史非大面积航变话务量；

非大面积航变预测模型训练模块，用于根据所述历史非大面积航变特征数据训练非大面积航变预测模型；

当前数据获取模块，用于获取上一单位时间的航变状态、上一单位时间的实际话务量，以及上一单位时间的预测话务量，其中，所述航变状态包括非大面积航变和大面积航变；大面积航变指超过半数的航班变动；

航变状态判断模块，用于根据所述上一单位时间的航变状态、所述上一单位时间的预测话务量以及所述上一单位时间的实际话务量判断下一单位时间的航变状态；

若所述下一单位时间的航变状态为大面积航变，则调用历史大面积航变特征数据获取模块；

若所述下一单位时间的航变状态为非大面积航变，则调用非大面积航变话务量预测模块；

所述历史大面积航变特征数据获取模块，用于获取历史大面积航变特征数据，所述历史大面积航变特征数据包括历史大面积航变订单数据以及历史大面积航变话务量；

大面积航变预测模型训练模块，用于根据所述历史非大面积航变特征数据以及所述历史大面积航变数据训练大面积航变预测模型；

大面积航变话务量预测模块，用于根据所述上一单位时间的实际话务量，利用所述大面积航变预测模型预测下一单位时间的预测话务量，并继续调用所述当前数据获取模块；

所述非大面积航变话务量预测模块，用于根据所述上一单位时间的实际话务量，利用所述非大面积航变预测模型预测下一单位时间的预测话务量，并继续调用所述当前数据获取模块。

7.如权利要求6所述的OTA机票客服话务量的预测系统，其特征在于，所述非大面积航变预测模型训练模块包括多个非大面积航变预测模型训练单元；

所述多个非大面积航变预测模型训练单元分别用于根据所述历史非大面积航变特征数据训练多个不同的非大面积航变预测模型；

所述非大面积航变话务量预测模块包括多个非大面积航变话务量预测单元和第一计算单元；

所述多个非大面积航变话务量预测单元用于根据所述上一单位时间的实际话务量，分别利用所述多个不同的非大面积航变预测模型预测下一单位时间的中间预测话务量；

所述第一计算单元用于计算所述多个非大面积航变话务量预测单元得到的中间预测话务量的第一平均值，其中，所述第一平均值为下一单位时间的预测话务量。

8.如权利要求6所述的OTA机票客服话务量的预测系统，其特征在于，所述航变状态判断模块包括第一判断单元、第二判断单元和第三判断单元，其中：

所述第一判断单元用于判断所述上一单位时间的航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用所述第二判断单元；若是非大面积航变，则调用所述第三判断单元；

所述第二判断单元用于判断所述上一单位时间的预测话务量与所述上一单位时间的实际话务量的比值是否大于第一阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变；

所述第三判断单元用于判断所述上一单位时间的实际话务量与所述上一单位时间的预测话务量的比值是否大于第二阈值；

若是，则下一单位时间的航变状态为大面积航变；

若否，则下一单位时间的航变状态为非大面积航变。

9.如权利要求8所述的OTA机票客服话务量的预测系统，其特征在于，所述航变状态判断模块还包括第二计算单元和第四判断单元；

在所述第三判断单元判断为否，且调用所述非大面积航变话务量预测模块预测下一单位时间的预测话务量之后：

所述第二计算单元用于计算与所述下一单位时间处于相同时间的历史大面积航变话务量和历史非大面积航变话务量的第二平均值；

所述第四判断单元用于判断所述下一单位时间的预测话务量与所述第二平均值的比值是否大于第三阈值；

若是，则所述下一单位时间的航变状态变更为大面积航变，调用所述大面积航变话务量预测模块重新预测下一单位时间的预测话务量。

10.如权利要求6所述的OTA机票客服话务量的预测系统，其特征在于，所述预测系统还包括话务量连续预测模块，所述话务量连续预测模块用于根据所述上一单位时间的航变状态以及所述上一单位时间的实际话务量预测连续多个下一单位时间的预测话务量；

其中，所述话务量连续预测模块包括参考航变状态设置单元、实际话务量设置单元以及第五判断单元；

所述参考航变状态设置单元用于在所述大面积航变话务量预测模块或所述非大面积航变话务量预测模块预测下一单位时间的预测话务量之后，将所述下一单位时间的航变状态设置为参考航变状态；

所述实际话务量设置单元用于将所述大面积航变话务量预测模块或所述非大面积航变话务量预测模块预测的预测话务量设置为与其同一单位时间的实际话务量；

所述第五判断单元用于判断所述参考航变状态是大面积航变还是非大面积航变；

若是大面积航变，则调用所述大面积航变话务量预测模块预测所述同一单位时间的下一单位时间的预测话务量，并继续调用所述实际话务量设置单元；

若是非大面积航变，则调用所述非大面积航变话务量预测模块预测所述同一单位时间的下一单位时间的预测话务量，并继续调用所述实际话务量设置单元。

Images